Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Ejercicio 1
Para estudiar el efecto de las aguas residuales de las alcantarillas que afluyen
a un lago, se toman medidas de la concentracin de nitrato en el agua. Para
monitorizar la variable se ha utilizado un antiguo mtodo manual. Se idea un
nuevo mtodo automtico. Si se pone de manifiesto una alta correlacin
positiva entre las medidas tomadas empleando los dos mtodos, entonces se
har uso habitual del mtodo automtico. Los datos obtenidos son los
siguientes:
Manual = X
Automtico = Y
25
30
40
80
120
150
75
80
150
200
300
350
270
240
400
320
450
470
575
583
SOLUCION
Manual = X
25
40
120
75
150
300
270
400
450
575
2405
Automtico
=Y
30
80
150
80
200
350
240
320
470
583
2503
X2
625
1600
14400
5625
22500
90000
72900
160000
202500
330625
900775
XY
750
3200
18000
6000
30000
105000
64800
128000
211500
335225
902475
>
datos=read.table("agua.txt",
header=T)
> attach(datos)
> datos
> regresion<lm(y~x,data=datos)
> regresin
> summary(regresion)
x y
1 25 30
2 40 80
3 120 150
4 75 80
5 150 200
6 300 350
7 270 240
8 400 320
9 450 470
10 575 583
Call:
lm(formula = y ~ x, data = datos)
Coefficients:
(Intercept)
x
26.1150
0.9322
Call:
lm(formula = y ~ x, data = datos)
Residuals:
Min 1Q Median 3Q Max
-78.98 -18.57 14.31 23.53 44.24
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 26.11496 21.20188 1.232 0.253
x
0.93216 0.07064 13.195 1.04e-06 ***
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 .
0.1 1
Y m X bn
Y=0.9(100)+26.11=116.11
Ejercicio 2
Sobre una hoja de papel cuadriculado dibuje aproximadamente 5 cuadrados de
diversos tamaos.
a. Cuntos cuadritos encierra cada
Solucin
1
4
9
25
36
75
1
2
3
5
6
17
1
16
81
625
1296
2019
>
cuadrititos=read.table("cuadras.txt",head
er=T)
> attach(cuadrititos)
> cuadrititos
> regresion <- lm(L ~ N, data =
cuadrititos)
> summary(regresion)
NL
1
8
27
125
216
377
NL
1 11
2 42
3 93
4 25 5
5 36 6
Call:
lm(formula = L ~ N, data = cuadrititos)
Residuals:
1
2
3
4
5
-0.4895 0.1011 0.4188 0.2353 -0.2658
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.35302 0.28808 4.697 0.01826 *
N
0.13647 0.01434 9.519 0.00246 **
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 0.4287 on 3 degrees of freedom
Multiple R-squared: 0.968, Adjusted R-squared: 0.9573
F-statistic: 90.61 on 1 and 3 DF, p-value: 0.002459
> plot(cuadrititos)
> abline(lm(L~N))
Ejercicio 3
A partir de las siguientes observaciones para 5 aos de las variables X e Y,
ajstese el modelo de regresin de Y en funcin de X ms idneo. Donde:
Y: produccin nacional de un subsector industrial, en millones de toneladas.
X: tiempo
Ao
1995
1,25
1996
1997
3
Ejercicio 4
11,25
Cinco nias de 2,4, 6,7 y 8 aos pesan respectivamente 15, 19, 25, 38, y 34
kilogramos respectivamente, entonces una nia de 12 aos pesara
aproximadamente:
A. 45
B. 55
C. 15
D. 51
E. 61
Ejercicio 5
En el anlisis de Regresin lineal se puede afirmar todo lo siguiente excepto:
A. Ajusta los datos a una lnea recta
B. Predice valores de una variable si se conoce el valor de la otra
C. Establece una relacin cuantitativa entre dos variables relacionadas
D. El mtodo grfico para determinar la relacin entre dos variables es ms
concreto que el mtodo matemtico o de mnimos cuadrados
E. Una relacin lineal entre dos variables queda representada por una lnea
recta llamada ecuacin de regresin
Ejercicio 6
Dado Los siguientes datos expuestos en la tabla
Edad
Estatura
60
80 100 110
5
112
B. y = 7,5x + 85,5
D. y = 14,4x + 47
E. y = 14x + 48,8
Ejercicio 7
C. y = 13,4x + 52,2
El
Grafico para los puntos dispersos est dado por:
Rta:
Ejercicio 8
El diagrama de dispersin para la regresin lineal esta dado por
Rta:
Ejercicio 9
de Villavicencio. Determinar en R el grado de asimetra de los datos. Los
siguientes datos corresponden a 100 salarios tomados en una encuesta
aplicada a 380 habitantes establecer una conclusin.
289000
350000
886900
310000
650000
961200
320000
756000
1200000
345000
289000
350000
889000
320000
665500
965000
320000
756000
1300000
320000
289000
350000
890000
320000
689500
996000
320000
759600
1700100
750000
289000
566700
896500
320000
689500
999000
340000
759600
1700100
1120000
310000
566700
900000
320000
690000
1000000
340000
789000
1700100
345000
310000
566700
936200
320000
690000
1025000
340000
789000
1700100
863000
310000
600000
942500
320000
699000
1025000
340000
800000
1700100
886000
320000
700000
1096000
320000
699000
1063000
340000
800000
1700100
345000
320000
700000
1116300
345000
859600
1777000
340000
800000
1700100
850000
320000
750000
1120000
345000
862300
1800000
345000
800000
1700100
1750000
>
salarios=c(289000,350000,886900,310000,650000,96120
0,320000,756000,1200000,345000,289000,350000,88900
0,320000,665500,965000,320000,756000,1300000,32000
0,289000,350000,890000,320000,689500,996000,320000
,759600,1700100,750000,289000,566700,896500,320000
,689500,999000,340000,759600,1700100,1120000,31000
0,566700,900000,320000,690000,1000000,340000,78900
0,1700100,345000,310000,566700,936200,320000,69000
0,1025000,340000,789000,1700100,863000,310000,6000
00,942500,320000,699000,1025000,340000,800000,1700
100,886000,320000,700000,1096000,320000,699000,106
3000,340000,800000,1700100,345000,320000,700000,11
16300,345000,859600,1777000,340000,800000,1700100,
850000,320000,750000,1120000,345000,862300,180000
0,345000,800000,1700100,1750000)
> par(mfrow=c(1,2))
> f=table(salarios)
> dd <- density(salarios)
> barplot(f)
> plot(dd,add=T)
> summary(salarios)
Min.
Max.
x > Me
Ejercicio 10
En una distribucin asimtrica negativa:
A
B
C
D
E
Ejercicio 11
Los momentos de segundo orden con respecto a la media de dos
distribuciones son 9 y 16, mientras que los momentos de tercer orden son 8.1 y
12. 8 respectivamente. La distribucin ms asimtrica es:
A
B
C
D
Ejercicio 12
Uno de los siguientes enunciados es verdadero
A La media en una muestra de datos agrupados la divide en dos partes.
B Una distribucin de datos permite calcular todas las medidas de
tendencia central
C La moda es un dato que permite analizar un resultado esperado
D Una medida de dispersin est libre del clculo de la media.
Ejercicio 13
En el anlisis de regresin lineal se puede afirmar todo lo siguiente, excepto
A
B
C
D
E
Ejercicio 14
Dado que el grado de asimetra de una distribucin es de 2,27, la media es de
189,87 y la mediana 189,16, entonces la varianza toma un valor
correspondiente a:
A
B
C
D
E
0.93
0.88
0.78
1.88
1.78
Ejercicio 15
Tomando una distribucin ligeramente asimtrica, calcular la moda sabiendo
que su media es igual a 3 y que la diferencia entre la media y la mediana es
igual a -2
A
B
C
D
E
2.9
0.9
19
9
1/9
Ejercicio 16
En la siguiente distribucin de datos el coeficiente de asimetra segn el
coeficiente de Pearson es:
Xi
f
A
B
C
D
E
2
1/3
3
1
Ejercicio 17
1
2
2
8
3
3
4
5
5
7
6
5
Retome los 100 datos y elabore una tabla en R para determinar el coeficiente
de Gini. Utilice la librera ineq, y compare los resultados. Establezca
conclusiones
289000
350000
886900
310000
650000
961200
320000
756000
1200000
345000
289000
350000
889000
320000
665500
965000
320000
756000
1300000
320000
289000
350000
890000
320000
689500
996000
320000
759600
1700100
750000
289000
566700
896500
320000
689500
999000
340000
759600
1700100
1120000
310000
566700
900000
320000
690000
1000000
340000
789000
1700100
345000
310000
566700
936200
320000
690000
1025000
340000
789000
1700100
863000
310000
600000
942500
320000
699000
1025000
340000
800000
1700100
886000
320000
700000
1096000
320000
699000
1063000
340000
800000
1700100
345000
320000
700000
1116300
345000
859600
1777000
340000
800000
1700100
850000
320000
750000
1120000
345000
862300
1800000
345000
800000
1700100
1750000
> library(ineq)
>salarios=c(289000,350000,886900,310000,650000,96
1200,320000,756000,1200000,345000,289000,350000,
889000,320000,665500,965000,320000,756000,13000
00,320000,289000,350000,890000,320000,689500,996
000,320000,759600,1700100,750000,289000,566700,8
96500,320000,689500,999000,340000,759600,170010
0,1120000,310000,566700,900000,320000,690000,100
0000,340000,789000,1700100,345000,310000,566700,
936200,320000,690000,1025000,340000,789000,1700
100,863000,310000,600000,942500,320000,699000,10
25000,340000,800000,1700100,886000,320000,70000
0,1096000,320000,699000,1063000,340000,800000,17
00100,345000,320000,700000,1116300,345000,85960
0,1777000,340000,800000,1700100,850000,320000,75
0000,1120000,345000,862300,1800000,345000,80000
0,1700100,1750000)
> g=ineq(salarios,type="Gini")
>g
> plot(Lc(salarios),col="darkred",lwd=2)
[1] 0.3122976